内容简介:讲道理,Python数据可视化是优雅的艺术
最近看《机器学习系统设计》…前两章。学到了一些用Matplotlib进行数据可视化的方法。在这里整理一下。
声明:由于本文的代码大部分是参考书中的例子,所以不提供完整代码,只提供示例片段,也就是只能看出某一部分用法,感兴趣的需要在自己的数据上学习测试。
最开始,当然还是要导入我们需要的包:
# -*- coding=utf-8 -*- from matplotlib import pyplot as plt from sklearn.datasets import load_iris import numpy as np import itertools1234512345
1. 画散点图
画散点图用plt.scatter(x,y)。画连续曲线在下一个例子中可以看到,用到了plt.plot(x,y)。
plt.xticks(loc,label)可以自定义x轴刻度的显示,第一个参数表示的是第二个参数label显示的位置loc。
plt.autoscale(tight=True)可以自动调整图像显示的最佳化比例 。
plt.scatter(x,y) plt.title("Web traffic") plt.xlabel("Time") plt.ylabel("Hits/hour") plt.xticks([w*7*24 for w in range(10)],['week %i' %w for w in range(10)]) plt.autoscale(tight=True) plt.grid() ##plt.show()1234567812345678
画出散点图如下:
2. 多项式拟合并画出拟合曲线
## 多项式拟合
fp2 = np.polyfit(x,y,3) f2 = np.poly1d(fp2) fx = np.linspace(0,x[-1],1000) plt.plot(fx,f2(fx),linewidth=4,color='g') ## f2.order: 函数的阶数 plt.legend(["d=%i" % f2.order],loc="upper right") plt.show()123456789123456789
效果图:
3. 画多个子图
这里用到的是sklearn的iris_dataset(鸢尾花数据集)。
此数据集包含四列,分别是鸢尾花的四个特征:
- sepal length (cm)——花萼长度
- sepal width (cm)——花萼宽度
- petal length (cm)——花瓣长度
- petal width (cm)——花瓣宽度
这里首先对数据进行一定的处理,主要就是对特征名称进行两两排列组合,然后任两个特征一个一个做x轴另一个做y轴进行画图。
# -*- coding=utf-8 -*- from matplotlib import pyplot as plt from sklearn.datasets import load_iris import numpy as np import itertools data = load_iris() #print(data.data) #print(data.feature_names) #print(data.target) features = data['data'] feature_names = data['feature_names'] target = data['target'] labels = data['target_names'][data['target']] print(data.data) print(data.feature_names)123456789101112131415161718123456789101112131415161718
这里有一个排列组合参考代码,最后是取出了两两组合的情况。
排列组合的结果是feature_names_2包含了排列组合的所有情况,它的每一个元素包含了一个排列组合的所有情况,比如第一个元素包含了所有单个元素排列组合的情况,第二个元素包含了所有的两两组合的情况……所以这里取出了第二个元素,也就是所有的两两组合的情况
feature_names_2 = [] #排列组合 for i in range(1,len(feature_names)+1): iter = itertools.combinations(feature_names,i) feature_names_2.append(list(iter)) print(len(feature_names_2[1])) for i in feature_names_2[1]: print(i)123456789123456789
下面是在for循环里画多个子图的方法。对我来说,这里需要学习的有不少。比如
for i,k in enumerate(feature_names_2[1]):这一句老是记不住。
比如从列表中取出某元素所在的索引的方法:index1 = feature_names.index(k[0]),也即index = list.index(element)的形式。
比如for循环中画子图的方法:plt.subplot(2,3,1+i)
比如for循环的下面这用法:for t,marker,c in zip(range(3),”>ox”,”rgb”):
plt.figure(1) for i,k in enumerate(feature_names_2[1]): index1 = feature_names.index(k[0]) index2 = feature_names.index(k[1]) plt.subplot(2,3,1+i) for t,marker,c in zip(range(3),">ox","rgb"): plt.scatter(features[target==t,index1],features[target==t,index2],marker=marker,c=c) plt.xlabel(k[0]) plt.ylabel(k[1]) plt.xticks([]) plt.yticks([]) plt.autoscale() plt.tight_layout() plt.show()12345678910111213141234567891011121314
这里的可视化效果如下:
4. 画水平线和垂直线
比如在上面最后一幅图中,找到了一种方法可以把三种鸢尾花分出来,这是我们需要画出模型(一条直线)。这个时候怎么画呢?
下面需要注意的就是plt.vlines(x,y_min,y_max)和plt.hlines(y,x_min,x_max)的用法。
plt.figure(2) for t,marker,c in zip(range(3),">ox","rgb"): plt.scatter(features[target==t,3],features[target==t,2],marker=marker,c=c) plt.xlabel(feature_names[3]) plt.ylabel(feature_names[2]) # plt.xticks([]) # plt.yticks([]) plt.autoscale() plt.vlines(1.6, 0, 8, colors = "c",linewidth=4,linestyles = "dashed") plt.hlines(2.5, 0, 2.5, colors = "y",linewidth=4,linestyles = "dashed") plt.show() 12345678910111234567891011
此时可视化效果如下:
5. 动态画图
plt.ion()打开交互模式。plt.show()不再阻塞程序运行。
注意plt.axis()的用法。
plt.axis([0, 100, 0, 1]) plt.ion() for i in range(100): y = np.random.random() plt.autoscale() plt.scatter(i, y) plt.pause(0.01)1234567812345678
可视化效果:
以上所述就是小编给大家介绍的《讲道理,Python数据可视化是优雅的艺术》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 遇见大数据可视化:来做一个数据可视化报表
- 遇见大数据可视化: 未来已来,变革中的数据可视化
- Python 数据可视化 2018:数据可视化库为什么这么多?
- 数据可视化设计(1)情感化设计指导可视化设计理念
- 基于WebGL架构的ThingJS可视化平台—城市地下管线3D可视化
- 可视化工具不知道怎么选?深度评测5大Python数据可视化工具
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
可爱的Python
哲思社区 / 电子工业出版社 / 2009-9 / 55.00元
本书的内容主要来自CPyUG社区的邮件列表,由Python的行者根据自身经验组织而成,是为从来没有听说过Python的其他语言程序员准备的一份实用的导学性质的书。笔者试图将优化后的学习体验,通过故事的方式传达给读者,同时也分享了蟒样(Pythonic式)的知识获取技巧,而且希望将最常用的代码和思路,通过作弊条(Cheat Sheet,提示表单)的形式分享给有初步基础的Python 用户,来帮助大家......一起来看看 《可爱的Python》 这本书的介绍吧!